正态与t分布的VaR：先匹配方差，再比较尾部
我的掌握程度：
先掌握这个答案
自由度ν>2的t分布方差为ν/(ν−2)。与标准正态比较时，应先将t变量乘√((ν−2)/ν)匹配单位方差，再比较同一置信水平下的损失分位数。正态在某一分位处可能高估或低估，方向取决于尾部深度和分布形状；不存在普遍的固定低估百分比。拟合t分布也不保证未来尾部预测正确。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
分位数不是最大损失
VaR是指定持有期与模型下的损失分位数，超过该阈值仍可能损失很多。ES刻画最差尾部的平均损失；离散样本中并不总能简单等同于“严格大于VaR的样本均值”。报告分位数算法和回测覆盖情况。
核对来源：BIS：VaR与ES ↗本阶段实战方法 · 把风险指标转成可执行的限额
报告VaR、对冲比率或保证金时，必须同时说明模型外还可能发生什么。
- 先定义损失正负号、置信水平、持有期、样本窗口和估计方法。
- 组合使用VaR、ES、压力测试、集中度、清算天数与保证金情景，不把单一指标当最大损失。
- 为预警、减仓、暂停交易写清触发条件、执行责任和恢复条件，并记录无法成交的情景。
使用边界
- 95% VaR是损失分布的95%分位，不是最大亏损或保证每天有95%把握安全。
- 久期敏感度使用修正久期；Macaulay久期是现金流加权时间，两者不能直接混用。
背景 · 从一个困惑说起
你用同一个scale参数生成正态和t分布，发现t样本VaR更大，就认为已经公平证明了肥尾风险。实际上两组的方差也不同。
由此产生的问题
如何把分布形状的影响和波动水平的影响分开？
核心概念
自由度ν>2的t分布方差为ν/(ν−2)。与标准正态比较时，应先将t变量乘√((ν−2)/ν)匹配单位方差，再比较同一置信水平下的损失分位数。正态在某一分位处可能高估或低估，方向取决于尾部深度和分布形状；不存在普遍的固定低估百分比。拟合t分布也不保证未来尾部预测正确。
为什么需要它
不匹配方差，就把“波动更大”和“尾更厚”混为一谈。实验设计的口径与风险指标本身同样重要。
实际应用场景
先固定均值、波动与样本窗口，再并列比较95%、99%、99.9%分位；用样本外覆盖率和压力测试检查模型。
与之前知识的联系
q-227讨论肥尾，q-605给出VaR算法，本题检查分布比较的公平性。
⚠ 常见误解
- t分布scale不是其标准差。
- 95%处的差异方向不能直接推广到99.9%。
- 模拟分布的“真实值”只是设定模型的结果，不是现实市场真相。
🛠 本题实践任务
运行同方差比较，把自由度改为3和10，观察不同分位处的差异；固定seed保存结果。
💡 提示（先自己想5分钟再看）
有限样本尤其在极端尾部会有较大抽样误差，增加样本后再比较。
✅ 验收标准
明确记录方差匹配、自由度、样本量与seed；不把某次模拟比例当成市场规律。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（VaR三算法、肥尾），再用案例、公式和代码帮助理解。此功能需要先启用服务。